F
faiss
Facebook's library for efficient similarity search and clustering of dense vectors. Supports billions of vectors, GPU acceleration, and various index types (Flat, IVF, HNSW). Use for fast k-NN search, large-scale vector retrieval, or when you need pure similarity search without
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Facebook's library for efficient similarity search and clustering of dense vectors. Supports billions of vectors, GPU acceleration, and various index types (Flat, IVF, HNSW). Use for fast k-NN search, large-scale vector retrieval, or when you need pure similarity search without metadata. Best for high-performance applications.
How to use
- Zainstaluj FAISS — wybierz wersję CPU (
pip install faiss-cpu) lub GPU (pip install faiss-gpu) w zależności od dostępnych zasobów. 2. Przygotuj dane wektorowe jako tablicę NumPy typu float32 — każdy wiersz to jeden wektor, liczba kolumn to wymiar wektora (np. 128). 3. Utwórz indeks wybierając typ — IndexFlatL2 dla dokładnego wyszukiwania euklidesowego, lub bardziej zaawansowane indeksy (IVF, HNSW) dla dużych zbiorów danych. 4. Dodaj wektory do indeksu metodąadd()— FAISS automatycznie je zaindeksuje. 5. Wykonaj wyszukiwanie — przygotuj wektor zapytania w tym samym wymiarze, wywołajindex.search(query, k)gdzie k to liczba najbliższych sąsiadów, którą chcesz znaleźć. 6. Otrzymasz dwie tablice: indeksy znalezionych wektorów i ich odległości — użyj ich do pobrania oryginalnych danych lub dalszego przetwarzania.